[发明专利]一种基于深度学习的考生异常行为检测方法

权利要求书

1.一种基于深度学习的考生异常行为检测方法，其特征在于，包括网络训练阶段和实时检测阶段；

所述网络训练阶段包括以下步骤：

S11：对收集到的考场视频进行预处理，以获取考场视频帧；

S12：利用目标检测模型分别对考场视频帧进行人体检测，以获取考生所在区域；

S13：截取考生所在区域的图像，得到考生行为图，并对各考生行为图进行类别标记，以构建包含行为异常和行为正常两种类别的考生行为数据集；

S14：构建考生异常行为检测模型，并利用考生行为数据集进行模型训练；

所述实时检测阶段包括以下步骤：

S21：获取考场的实时监控视频，并将监控视频的前N帧输入到目标检测模型中，以获取各考生所在区域；

S22：根据获取的各考生所在区域，在监控视频的后续帧中截取各考生的行为图；

S23：将各考生的行为图输入考生异常行为检测模型中获取考生的实时行为，若某考生行为异常，则在监控视频中用目标框标出。

2.如权利要求1所述的一种基于深度学习的考生异常行为检测方法，其特征在于，S12中所述目标检测模型为YOLOv4目标检测网络，该网络在PASCAL VOC2007数据集上进行了训练，并将得到的网络模型调整为只检测人体目标。

3.如权利要求1所述的一种基于深度学习的考生异常行为检测方法，其特征在于，S14中所述考生异常行为检测模型以MobileNetV3Small为骨干网络，以Context Module为颈部加强特征提取，在Context Module后进行全局平均池化，并采用Dropout正则化，之后经过两层密集连接层后输出，输出层采用sigmoid激活函数。

4.如权利要求3所述的一种基于深度学习的考生异常行为检测方法，其特征在于，MobileNetV3Small骨干网络在ImageNet数据集中进行了预训练，在训练考生异常行为检测模型时，首先保持MobileNetV3Small骨干网络的参数不变，利用考生行为数据集训练考生异常行为检测模型中的其他参数，然后减小学习率，利用考生行为数据集对整个考生异常行为检测模型进行微调，获得最终的考生异常行为检测模型。

5.如权利要求3所述的一种基于深度学习的考生异常行为检测方法，其特征在于，将Context Module中5×5的卷积替换为两个3×3的卷积核，并将Context Module中7×7的卷积核替换为三个3×3的卷积核，在获取足够上下文信息的前提下提高卷积核的计算效率。

6.如权利要求1所述的一种基于深度学习的考生异常行为检测方法，其特征在于，S21中，将前N帧中第一帧获取的考生区域记为Final_Boxes，依次将其余帧中获取的考生区域与Final_Boxes中的考生区域进行交并比计算，若某考生区域与Final_Boxes中考生区域的交并比小于设定阈值，则将该考生区域添加到Final_Boxes中，同一视频帧中的考生区域利用交并比筛选掉重叠区域。

7.基于上述任一权利要求所述方法的考生异常行为检测系统，其特征在于，包括考生区域获取模块、考生行为检测模块和异常行为警示模块；所述考生区域获取模块内置有目标检测模型，用于对输入的视频帧进行考生区域检测，并将对应区域的图像输入到考生行为检测模块中；所述考生行为检测模块内置有训练完成的考生异常行为检测模型，用于对输入的图像进行考生行为检测，并将异常行为的考生坐标区域输入到异常行为警示模块中；所述异常行为警示模块根据输入的考生坐标区域，在视频帧中框选出对应考生。